- 作者：Frank摘要：主动学习小白入门第一篇1、动机如今，我们利用AI算法解决实际问题的时候，需要面临的第一个并且是最重要的一个问题就是进行大规模的数据采集和标注。众所周知，使用监督学习方法做分类任务时，往往训练样本规模越大，分类器的性能就越高。但是在面临实际问题时，我们接触到的大量的来自互联网或其他来源（如学术界或商业界）的都是未标注的数据。然而标记样本通常是代价比较大的，比... 作者：Frank摘要：主动学习小白入门第一篇1、动机如今，我们利用AI算法解决实际问题的时候，需要面临的第一个并且是最重要的一个问题就是进行大规模的数据采集和标注。众所周知，使用监督学习方法做分类任务时，往往训练样本规模越大，分类器的性能就越高。但是在面临实际问题时，我们接触到的大量的来自互联网或其他来源（如学术界或商业界）的都是未标注的数据。然而标记样本通常是代价比较大的，比...
- 目录 1. 基于阈值的目标提取 1.1 二值化处理 1.2 阈值的确定 模态法 阈值确定其他方法 大津法 2. 基于颜色的目标提取 2.1 色相、亮度、饱和度 2.2颜色分量和组合处理 比如让你提取一幅照片中的苹果，还有可能遮挡 比如让你提取绿色的麦苗，如何使用二值图像呢？ 3. 基于差分目标提取 3.1 帧间差分 3.2 背景差分 1.... 目录 1. 基于阈值的目标提取 1.1 二值化处理 1.2 阈值的确定 模态法 阈值确定其他方法 大津法 2. 基于颜色的目标提取 2.1 色相、亮度、饱和度 2.2颜色分量和组合处理 比如让你提取一幅照片中的苹果，还有可能遮挡 比如让你提取绿色的麦苗，如何使用二值图像呢？ 3. 基于差分目标提取 3.1 帧间差分 3.2 背景差分 1....
- 机器学习中的性能比较为什么 比较复杂？ 首先，我们希望比较的是泛化 性能，然而通过实验评估获得的只是测试集上的性能，两者对比结果可能未必相同测试集上的性能与测试集本身选择有很大的关系，不同大小的测试集会得到不同的结果，即便是相同大小的测试集，若测试样例不同，测试结果也可能不同很多机器学习算法本身有一定的随机性，即便用相同的参数设置，在同一个测试集多次运行，其 结果也可能不同... 机器学习中的性能比较为什么 比较复杂？ 首先，我们希望比较的是泛化 性能，然而通过实验评估获得的只是测试集上的性能，两者对比结果可能未必相同测试集上的性能与测试集本身选择有很大的关系，不同大小的测试集会得到不同的结果，即便是相同大小的测试集，若测试样例不同，测试结果也可能不同很多机器学习算法本身有一定的随机性，即便用相同的参数设置，在同一个测试集多次运行，其 结果也可能不同...
- 目录 Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks 1. 摘要 2. 主要贡献 3. 算法流程 3.1 网络概述 3.2 网络设计 3.2.1 LSTM网络 3.2.2 编码-解码网络 3.2.3 网络训练 4. 结果展示 4.1 数据集 ... 目录 Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks 1. 摘要 2. 主要贡献 3. 算法流程 3.1 网络概述 3.2 网络设计 3.2.1 LSTM网络 3.2.2 编码-解码网络 3.2.3 网络训练 4. 结果展示 4.1 数据集 ...
- 这是学习唐杰老师的总结。 图灵奖得主Yoshua Bengio在NeuIPS 2019带来一场题为《From System 1 Deep Learning To System 2 Deep Learing》的报告，提到了几个非常有意思的观点。 本文为大家带来Yoshua Bengio的报告详解。 报告地址： https://nips.cc/Conferences/2... 这是学习唐杰老师的总结。 图灵奖得主Yoshua Bengio在NeuIPS 2019带来一场题为《From System 1 Deep Learning To System 2 Deep Learing》的报告，提到了几个非常有意思的观点。 本文为大家带来Yoshua Bengio的报告详解。 报告地址： https://nips.cc/Conferences/2...
- 目录 还是举例子： 为什么会出现这样情况？ 归纳偏好 还是举例子： 三种属性：{白色、黄色、黑色}+{眼睛颜色蓝色、眼睛颜色不一样}+{有铃铛、没铃铛} 判断是不是“猫” 通过机器学习，现在给了一幅“白色”“眼睛蓝色”“有铃铛”的动物，让计算机判断是不是猫 不同机器学习算法，在面对上述情况时，可能得到不同的结果。一部分可能判断这只动物是猫，一... 目录 还是举例子： 为什么会出现这样情况？ 归纳偏好 还是举例子： 三种属性：{白色、黄色、黑色}+{眼睛颜色蓝色、眼睛颜色不一样}+{有铃铛、没铃铛} 判断是不是“猫” 通过机器学习，现在给了一幅“白色”“眼睛蓝色”“有铃铛”的动物，让计算机判断是不是猫 不同机器学习算法，在面对上述情况时，可能得到不同的结果。一部分可能判断这只动物是猫，一...
- CVPR 2020: IEEE Conference on Computer Vision and Pattern RecognitionNeurIPS 2020: Neural Information Processing SystemsECCV 2020: European Conference on Computer VisionICML 2020: Internati... CVPR 2020: IEEE Conference on Computer Vision and Pattern RecognitionNeurIPS 2020: Neural Information Processing SystemsECCV 2020: European Conference on Computer VisionICML 2020: Internati...
- 论文地址：https://arxiv.org/pdf/2004.10934.pdf GitHub地址：https://github.com/AlexeyAB/darknet 觉得作者很地道，论文附上开源，没有比这更开心的事情了吧！ 首先附上对论文总结的思维导图，帮助大家更好的理解！ （思维导图和论文译文PDF均可在【计算机视觉联盟】后台回复yolov4获取） ... 论文地址：https://arxiv.org/pdf/2004.10934.pdf GitHub地址：https://github.com/AlexeyAB/darknet 觉得作者很地道，论文附上开源，没有比这更开心的事情了吧！ 首先附上对论文总结的思维导图，帮助大家更好的理解！ （思维导图和论文译文PDF均可在【计算机视觉联盟】后台回复yolov4获取） ...
- 开发文档 1. 需求规格说明2. 系统设计2.1 开发环境2.2 总体设计2.2.1 数据采集2.2.2 算法实现2.2.3 结果输出 3. 编程实现4.集成5.测试6.维护 1. 需求规格说明 依据什么需求，开发出什么 2. 系统设计 2.1 开发环境 硬件开发平台：NVIDIA Jetson TX2 工业相机：*** 操作系统：Ubu... 开发文档 1. 需求规格说明2. 系统设计2.1 开发环境2.2 总体设计2.2.1 数据采集2.2.2 算法实现2.2.3 结果输出 3. 编程实现4.集成5.测试6.维护 1. 需求规格说明 依据什么需求，开发出什么 2. 系统设计 2.1 开发环境 硬件开发平台：NVIDIA Jetson TX2 工业相机：*** 操作系统：Ubu...
- 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo... 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo...
- 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了... 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了...
- 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，... 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，...
- 目录 归纳和演绎 归纳学习分为广义和狭义： 概念学习、概念形成最基本的是布尔概念学习： 解答疑问 归纳和演绎 “归纳”和“演绎”是科学推理的两大基本手段 “归纳”是从特殊到一般，是一个“泛化”过程，是总结经验，比如猫有哪些特点？ “演绎” 就是从一般到特殊，从基本情况推出具体情况，是“特化”过程 从“样本”中学习过程 称为“归纳学习” ... 目录 归纳和演绎 归纳学习分为广义和狭义： 概念学习、概念形成最基本的是布尔概念学习： 解答疑问 归纳和演绎 “归纳”和“演绎”是科学推理的两大基本手段 “归纳”是从特殊到一般，是一个“泛化”过程，是总结经验，比如猫有哪些特点？ “演绎” 就是从一般到特殊，从基本情况推出具体情况，是“特化”过程 从“样本”中学习过程 称为“归纳学习” ...
- 目录 总述： 1. Word2Vec的两种网络结构 1.1 输入层 1.2 映射层 1.3 输出层 1.4 神经网络的权重 2. Word2Vec与LDA的区别和联系 2.1 主题模型与词嵌入方法 总述： Word2Vec是2013年谷歌提出来目前最为常用的词嵌入模型之一。 Word2Vec是一种浅层的神经网络模型，包含有两种网络结构：CBOW（Co... 目录 总述： 1. Word2Vec的两种网络结构 1.1 输入层 1.2 映射层 1.3 输出层 1.4 神经网络的权重 2. Word2Vec与LDA的区别和联系 2.1 主题模型与词嵌入方法 总述： Word2Vec是2013年谷歌提出来目前最为常用的词嵌入模型之一。 Word2Vec是一种浅层的神经网络模型，包含有两种网络结构：CBOW（Co...
- 由现实世界引出“机器学习” 看到乌云密布，自己推测出要下雨 通过一个苹果的表面和大小，来判断这个苹果是否好吃 我们通过经验来进行判断，这是因为我们积累了许多有用的经验，通过对有用经验的分析，就能对遇到的情况做出相应的对策。 计算机中，经验就是“数据”，判断模型就是“算法”，机器学习就是研究“学习算法”。 举例：当计算机数据库有上千万只猫的照片，并对其特点进行建模分析... 由现实世界引出“机器学习” 看到乌云密布，自己推测出要下雨 通过一个苹果的表面和大小，来判断这个苹果是否好吃 我们通过经验来进行判断，这是因为我们积累了许多有用的经验，通过对有用经验的分析，就能对遇到的情况做出相应的对策。 计算机中，经验就是“数据”，判断模型就是“算法”，机器学习就是研究“学习算法”。 举例：当计算机数据库有上千万只猫的照片，并对其特点进行建模分析...
上滑加载中
推荐直播
-
华为云码道Skill实战与极速交付，智能开发全链路实战2026/07/22 周三 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；姜浩-华为云HCDG核心组成员
直播深度解读华为云码道6月产品新特性，从Skill市场安装专家技能，带你零距离体验从需求，开发，审查，重构全链路闭环的开发过程。从零构建并交付一个完整项目，让您体验从代码提交到服务上线的“极速”之旅。
回顾中 -
聚开发者之力，创具身新未来2026/07/23 周四 15:00-17:00
张豪杰/程文/王军/刘新春/黄钦开 /张晓天
本次华为云具身智能开发平台CloudRobo培训面向具身智能开发者，带您全流程体验机器人本体R2C小时级接入、环境重建与轨迹生成仿真数据生产、PB级数据管理、数据评测、模型训推、强化学习和Benchmark一键评测等功能，并体验业界主流具身模型应用。
回顾中
热门标签